CN107564011B - 基于直方图一维微分距离的分层超像素分割模型 - Google Patents

Abstract

本发明专利一种基于直方图一维微分距离的分层超像素分割模型，提出了一种基于直方图一维微分距离计算相似度的算法，该算法具有简单，准确率高的优点；同时建立了一个基于金字塔的超像素分割模型，以及对应的分层合并方法，并且针对于不同的层的特点采用不同的方法，从而在加快运行速度的同时不降低其准确率；经过实验验证，与经典算法相比本文算法实现了准确度、效率、紧密度的完美结合，并具有更好的抗噪性能。

Description

基于直方图一维微分距离的分层超像素分割模型

技术领域

本发明属于彩色图像分割领域，具体设计一种基于直方图一维微分距离的分层超像素分割模型。

背景技术

随着科技进步，高分辨率、大尺寸图像逐渐成为主流。显著性检测、目标跟踪等领域，对实时性的迫切要求使得超像素的概念应运而生。超像素的概念是2003年Ren等人提出的，它是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。

超像素分割在分类上可以分为基于梯度下降的和基于图论的两大类算法。为了兼顾效率与精度，2010年RadhakrishnaAchanta等人提出了SLIC算法。其基本思想是局部 K-means聚类，使用聚类的方法使其算法极为简洁，局部聚类使其算法时间大幅度下降，并且可以控制分割块数以及超像素块的紧密度。然而，SLIC需要多次迭代更新超像素块直至收敛，其耗时与像素数成正比，不能满足实时性的要求，且其对弱边缘检测效果较差，并且抗噪能力较差。此后，为了进一步减少运行时间，提升检测精度，2015年Michael Van denBergh等人创新性的提出了SEEDS算法，该算法使用爬山算法的原理不需要多次迭代，避免计算超像素模块到周围像素的距离，并且只需要运算规则网格的边界像素点，从而大幅度减少运行时间。然而紧密度不高、对细节分割不理想，虽然相对于SLIC 算法抗噪性能大幅度提升却依然不甚理想。

为了解决上述算法抗噪性能不强的问题，本文建立了一种基于金字塔的分层超像素分割模型，同时为了提高边界贴合度建立了一种新的基于结构相似度的直方图相似度衡量方法，并引入紧密度约束项控制分割过程中的紧密度。

发明内容

本发明提供一种基于直方图一维微分距离的分层超像素分割模型，本发明基于金字塔理论，研究出了一种分层分割模型，基于一维微分距离理论，提出一种新的直方图相似度衡量方法。

本发明为解决现有技术问题的技术方案是：使用金字塔理论，使算法实现过程中大的区域块的分割精确优先被保证，在图像被恢复到原始分辨率后，图像细节的分割精度此时被保证，这种思想大大提升了图像的抗噪性能。其次，使用一维微分距离理论，使得直方图曲线距离被考虑，显著提升超像素分割精度。最后，引入超像素紧密度控制项，使得操作者可以自主控制分割紧密度。

有益效果：本发明一种基于直方图一维微分距离的分层超像素分割模型具有抗噪性能强、分割精度高、耗时短、紧密度可控等优点。

下面结合附图对本发明作进一步详细叙述。

附图说明

图1是本发明方法流程图。

图2是本发明方法与经典SLIC算法分割结果比较。

图3是高噪情况下SEEDS算法与本算法结果对比。

图4是数据集中本算法与其他经典算法结果对比。

具体实施方式

结合图1，本发明提出的基于直方图一维微分距离的分层超像素分割模型的步骤如下：

步骤一：设置分割层数N+1，和期望超像素块数M。对输入彩色图像均匀分割为M块，每块的面积为average_area＝size/M,其中size为图像总像素数。

步骤二：对图像进行降采样。

步骤三：对步骤二得到的降采样图像，使用分割方法1进行分割N次。分割方法1 为

其中:

similarity_i＝F_i+γcos_i。

cos_i的推导过程如下：直方图之间的弧长可以通过式1表示:

S＝{x，p(x)}(1)

其中x是直方图量化后的值，p(x)是直方图纵坐标即图像中像素量化后值为x的概率。

那么直方图微分距离为dS²＝dx²+d(p(x))².,根据微分定理我们有dp＝p_xdx，带入得

即

为了更好的应用该微分距离，将其引入到局部核回归中。局部核函数如公式4所示：

C_i是局部分析窗口直方图梯度与自身的协方差值即该梯度向量方差值，h是平滑参数用来控制核的平滑度。

将公式(3)带入公式(4)从而计算出直方图每个横坐标局部w×1窗口内局部核

因此对于整个直方图就形成了一个bins×w的二维矩阵，其中bins是直方图量化后横坐标最大值。

在计算两个直方图相似性中，分别对直方图每个点对应的w维向量计算余弦相似度即

卡方距离公式如式6所示：

G(s)为紧密度约束项。为了解释G(s)，我们引入几个表示符。用current_area代表当前层某规则块a的面积，用parent_area代表该规则块邻域内母层超像素块A的面积，用average_area代表超像素块平均大小，即average_area＝size/M,其中size为图像总像素数，M为期待划分的超像素数目。那么a不属于A的概率为：

该值越大说明a越不应该划分到A中去。

步骤四：对分割所得图像升采样；

步骤五：对步骤四所得图像使用分割方法2进行分割，具体为：

其中similarity_i＝F_i。

步骤六：为了去除前N+1层分割造成的微弱锯齿效应，对超像素边界单像素采用SLIC的基本思想，如式(8)所示：

其中l_i,a_i,b_i为超像素边界像素的像素值，l_s,a_s,b_s为当前超像素所有像素值的均值。

实施例

本文选取了BSD300数据集作为实验数据集，对本发明算法效果进行验证。

从图2，我们可以看到本发明方法相较于经典SLIC算法对弱边缘分割效果更好。在高噪情况下SLIC算法是逐像素分割不具有可比性，因此之与效果较好的SEEDS算法进行比较，从图2中我们可以发现，本算法对于高噪条件下的边缘具有更高的检测精度。图4我们展示了在数据集中本算法的效果，正常条件下无论是边界贴合度(BR)，还是欠分割错误率(CUE)本算法均优于SLIC算法，并且本算法需要更少的运行时间；高噪条件下具有比SEEDS算法更高的分割精度，即具有很好的抗噪性能。

Claims (1)

1.一种基于直方图一维微分距离的分层超像素分割模型方法，其特征在于，基于直方图一维微分距离的分层超像素分割模型的步骤如下：

步骤一：设置分割层数N+1和期望超像素块数M，对输入彩色图像均匀分割为M块，每块的面积为average_area＝size/M，其中size为图像总像素数，

步骤二：对图像进行降采样，

步骤三：对步骤二得到的降采样图像，使用分割方法1进行分割N次，分割方法1利用以下分割准则进行分割：

其中，G(s)为紧密度约束项，λ为可调参数，similarity(s)为直方图相似度衡量准则；

式中similarity_i＝F_i+γcos_i

其中，F_i为两直方图灰度级处于i级的卡方距离，y_1i，y_2i分别为两直方图灰度级处于i级对应的概率值，cos_i为直方图每个点对应的w维向量计算余弦相似度；bins为直方图量化等级，

cos_i的推导过程如下：直方图之间的弧长可以通过式(1)表示：

S＝{x，p(x)} (1)

其中x是直方图量化后的值，p(x)是直方图纵坐标即图像中像素量化后值为x的概率；

那么直方图微分距离为dS²＝dx²+d(p(x))².，根据微分定理我们有dp＝p_xdx，带入得

即

为了更好的应用该微分距离，将其引入到局部核回归中，局部核函数如公式(4)所示：

C_i是局部分析窗口直方图梯度与自身的协方差值即该梯度向量方差值，h是平滑参数用来控制核的平滑度；

将公式(3)带入公式(4)从而计算出直方图每个横坐标局部w×1窗口内局部核

因此对于整个直方图就形成了一个bins×w的二维矩阵，其中bins是直方图量化后横坐标最大值，

在计算两个直方图相似性中，分别对直方图每个点对应的w维向量计算余弦相似度即

步骤四：对步骤三所得图像进行升采样；

步骤五：对步骤四所得图像使用分割方法2进行分割，分割方法2利用以下分割准则进行分割：

其中G(s)为紧密度约束项，similarity(s)为直方图相似度衡量准则，λ为可调参数；

式中similarity_i＝F_i

其中，F_i为两直方图灰度级处于i级的卡方距离，y_1i，y_2i分别为两直方图灰度级处于i级对应的概率值，bins为直方图量化等级；

步骤六：对图像采用分割方法3进行分割；

分割方法3利用以下分割准则进行分割：

其中l_i，a_i，b_i为超像素边界像素的像素值，l_s，a_s，b_s为当前超像素所有像素值的均值。

Images